我一直在阅读有关CRF的一些文章，并对功能函数略感混淆。一元（节点）和二元（边）特征f通常具有
形式f（yc，xc）= 1 {yc = y c} fg（xc）。
其中{。}是指示函数，如果包含的条件为真，则计算结果为1，否则为0。 fg是数据xc的函数，它从数据中提取有用的属性（特征）。
现在在我看来，要创建CRF功能，必须知道真正的标签（yc）。这对于训练来说是正确的，但是对于测试阶段，真正的类标签是未知的（因为我们试图确定它们最可能的值）。
我错过了什么吗？如何正确实施？
答案 0 :(得分：2)
CRF的想法是为每个标签设置分配一个分数。因此，从理论上讲，您所做的就是计算所有可能的标签分配的分数，然后无论哪个标签获得最大分数都是CRF预测/输出的分数。只有当CRF对不同的标签分配给出不同的分数时，这才有意义。当您以这种方式想到它时，很明显标签必须参与功能功能才能实现。
因此，假设CRF的对数概率函数为F（x，y）。因此，它为数据样本x和标签y的每个组合分配一个数字。因此，当您获得新的数据样本时，测试时间内的预测标签只是argmax_y F（new_x，y）。也就是说，你发现y的值使得F（new_x，y）最大，这就是预测的标签。